糖分和水分是蜂蜜中的重要理化指標(biāo),其中葡萄糖和果糖約占糖類的80%。蜂蜜樣品在12000～4000cm-1的原始光譜圖見圖4-4。從圖4-4上看出在6851cm-1、5607cm-1、5201cm-1、4782cm-1、4686cm-1和4182cm-1附近有明顯的吸收峰存在。其中6851cm-1是O—H基團(tuán)...[繼續(xù)閱讀]

    將光譜與組分化學(xué)值輸入TQV8.0(ThermoNicoletCo.,USA)軟件構(gòu)建數(shù)據(jù)集,各組分樣本數(shù)如表4-3所示。當(dāng)因子數(shù)(LVs)選擇過小時,擬合不足,信息使用較少;但因子數(shù)選擇過多時,過擬合,部分非有用信息置入模型,預(yù)測精度降低。采用留一內(nèi)部交互驗...[繼續(xù)閱讀]

    將光譜和蜂蜜組分化學(xué)值導(dǎo)入TQV8.0(ThermoNicoletCo.,USA)軟件構(gòu)建數(shù)據(jù)集,建立多元線性回歸(MLR)模型。回歸變量以最小RMSECV值確定,最佳光譜預(yù)處理方法、特征變量及模型回歸結(jié)果如表4-5所示。建模變量相比全譜(2004個數(shù)據(jù)點)顯著減少,模...[繼續(xù)閱讀]

    葡萄糖和果糖占蜂蜜總量的近70%,在近紅外區(qū)間信息豐富,特征比較明顯,采用全譜建模往往帶入一定的非信息變量,同時模型維度大,也較復(fù)雜[2～6]。本節(jié)采用基于間隔偏最小二乘法(Intervalpartialleastsquaresregression,簡稱iPLS)原理的反向區(qū)間...[繼續(xù)閱讀]

    人工神經(jīng)網(wǎng)絡(luò)(ANN)的最大優(yōu)點是具有抗干擾、抗噪聲和強(qiáng)大的非線性轉(zhuǎn)換能力,是比較理想的非線性定標(biāo)分析方法。人工神經(jīng)網(wǎng)絡(luò)方法非線性逼近能力強(qiáng),廣泛用于近紅外定性或定量分析。ANN也存在局限性,如訓(xùn)練速度慢,易陷入局部極...[繼續(xù)閱讀]

    實驗中所用蜂蜜樣本共140個,其中66個純蜂蜜樣本直接來自北京昌平、海淀、平谷、門頭溝等郊區(qū)的蜂場,沒有添加任何外來物質(zhì)以及進(jìn)行加工。74個假蜂蜜樣本均來自市場抽檢,用碳同位素質(zhì)譜儀測定,以是否摻C4植物糖為檢測指標(biāo)判定...[繼續(xù)閱讀]

    (一)方法原理用穩(wěn)定性碳同位素比值分析(SCIRA)法測定。其原理如下:蜂蜜樣品在1000℃純氧中灼燒、氧化,產(chǎn)生的混合氣體過含三氧化二鉻、氧化銅和銀棉的氧化柱,除去鹵化物和硫化物,隨后過600℃的還原柱,氮氧化物被還原成氮氣,并除...[繼續(xù)閱讀]

    光譜采集方法同第四章的光譜采集。純蜂蜜和摻假蜜的光譜形狀和主要特征基本一致,很難用肉眼直觀看出二者的差別(如圖5-2)。圖5-2純蜂蜜和摻假蜜原始光譜圖...[繼續(xù)閱讀]

    為了減少儀器系統(tǒng)產(chǎn)生的噪音如基線漂移、光散射等,常常需要對NIR光譜數(shù)據(jù)進(jìn)行預(yù)處理。本章用一些光譜預(yù)處理方法優(yōu)化鑒別模型,如多元散射校正(MSC)、標(biāo)準(zhǔn)正態(tài)化(SNV)、一階導(dǎo)數(shù)、二階導(dǎo)數(shù)等。經(jīng)預(yù)處理后的光譜如圖5-3所示,MSC和...[繼續(xù)閱讀]

    (一)距離匹配法(Distancematch,DM)距離匹配判別技術(shù)可以用于測定一個未知樣本距離已知樣本的遠(yuǎn)近。首先在各類別里,至少選取5個已知樣本去定義一個類別,分別計算各類別的平均光譜和標(biāo)準(zhǔn)殘差光譜。當(dāng)一個未知樣品光譜導(dǎo)入模型時...[繼續(xù)閱讀]